23 июня 2015 года, компания Google опубликовала исследование в котором представлена модель ИИ, построенная на моделировании разговора.

модель поддерживает разговор, предсказывая следующее предложение по содержанию одного или всех предыдущих предложений разговора.

Для обучения ИИ на базе рекуррентной нейронной сети (seq2seq), разработчики Google использовали два вида данных:
1. из конкретной области знаний ( использовались переговоры службы техподдержки),
2. данные из более широкой и общей сферы (субтитры к фильмам — OpenSubtitles dataset).

В работе приведены впечатляющие диалоги человек-машина на разные темы.
Самые интересные вопросы-ответы, разумеется, относятся к философским вопросам:

( Читать дальше )

Оглавление

k-means (метод k-средних) — метод кластеризации, стремящийся минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров.

Кластеризация — задача машинного обучения, состоящая в разбиении заданной выборки объектов (данных) на непересекающиеся подмножества/группы (кластеры) на основе близости их признаков/значений. Т.о., каждый кластер состоит из схожих объектов.

Кластеризация позволяет:
* лучше понять данные (выявив структурные группы),
* компактное хранение данных,
* выявление новых объектов.

В OpenCV, алгоритм k-means реализован в cxcore, т.к. он был реализован задолго до появления библиотеки ML.
K-means пытается найти кластеры в наборе данных.
Это реализуется функцией cvKMeans2().

Алгоритм работы k-means:

( Читать дальше )

Яндекс начал выкладывать лекции по одному из своих курсов – «Машинное обучение» — основной предмет Школы, обязательный для всех студентов.



( Читать дальше )

Учиться никогда не поздно, а таким увлекательным вещам, как ИИ, даже весело.
Стэнфордский университет предлагает бесплатные онлайн-курсы по машинному обучению и искусственному интеллекту:

Stanford Machine Learning class
и

( Читать дальше )

Недавно здесь была новость про результаты исследований японских учёных из лаборатории Hasegawa Lab.


Учёные использовали «самоорганизующуюся инкрементную нейронную сеть» (Self-Organizing Incremental Neural Network — SOINN), для управления роботом HIRO (Kawada Industries) с целью решения задач на основе базовых знаний ( т.е. алгоритм ИИ делает предположения и принимает решения на основе своего предыдущего опыта).

Новость как новость, обошла все околонаучные и IT-ные порталы, с пометкой про ещё один шаг в сторону разумных машин с искусственным интеллектом на борту.

И всё бы ничего — в новостных лентах часто появляются новости про очередные мега-достижения в науке и технике, но зайдя на сайт Hasegawa Lab можно обнаружить статьи в формате PDF про их исследования и, что ещё более важно, проект на C++:

( Читать дальше )

В Японии, в лаборатории Hasegawa Lab, учёные использовали «самоорганизующуюся инкрементную нейронную сеть» (Self-Organizing Incremental Neural Network — SOINN), для управления роботом HIRO (Kawada Industries).


( Читать дальше )

Нейронная сеть — введение
Принцип обучения многослойной нейронной сети с помощью алгоритма обратного распространения

Рассмотрим процесс обучения нейронной сети с использованием алгоритма обратного распространения ошибки (backpropagation).

Для иллюстрации этого процесса используем нейронную сеть состоящую из трёх слоёв и имеющую два входа и один выход:

здесь, автор считает слои по-другому и не учитывает «2 нейрона» входного слоя

( Читать дальше )

Искусственные нейронные сети (ИНС – она же нейросеть (neuronet)) – звучит таинственно и загадочно. Пахнет искусственной жизнью и могуществом ИИ.

Между тем, эти математические структуры давно прочно вошли в наш быт:
автоматизация процессов распознавания образов,
адаптивное управление,
прогнозирование,
и т.д…


( Читать дальше )